我在这里查看了文档和其他问题，但似乎我 尚未掌握numpy数组中的子集。
我有一个numpy数组， 为了论证，让它定义如下：
import numpy as np
a = np.arange(100)
a.shape = (10,10)
# array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
# [10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
# [20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
# [30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
# [40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
# [50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
# [60, 61, 62, 63, 64, 65, 66, 67, 68, 69],
# [70, 71, 72, 73, 74, 75, 76, 77, 78, 79],
# [80, 81, 82, 83, 84, 85, 86, 87, 88, 89],
# [90, 91, 92, 93, 94, 95, 96, 97, 98, 99]])
现在我想选择向量a和n1指定的n2行和列。举个例子：
n1 = range(5)
n2 = range(5)
但是当我使用时：
b = a[n1,n2]
# array([ 0, 11, 22, 33, 44])
然后仅选择前五个对角线元素，而不是整个5x5块。我找到的解决方案就是这样做：
b = a[n1,:]
b = b[:,n2]
# array([[ 0, 1, 2, 3, 4],
# [10, 11, 12, 13, 14],
# [20, 21, 22, 23, 24],
# [30, 31, 32, 33, 34],
# [40, 41, 42, 43, 44]])
但我确信应该有一种方法可以在一个命令中完成这个简单的任务。
答案 0 :(得分：21)
您已经获得了一些如何做您想做的好例子。但是，了解事情的发生方式以及事情的运作方式也很有用。有一些简单的规则可以帮助你。
＆＃34; fancy＆＃34;之间存在很大差异。索引（即使用列表/序列）和＆＃34;正常＆＃34;索引（使用切片）。根本原因与阵列是否可以定期跨越＆＃34;以及因此是否需要制作副本有关。因此，如果我们希望能够创建＆＃34;观看＆＃34;那么任意序列必须以不同方式对待。没有制作副本。
在你的情况下：
import numpy as np
a = np.arange(100).reshape(10,10)
n1, n2 = np.arange(5), np.arange(5)
# Not what you want
b = a[n1, n2] # array([ 0, 11, 22, 33, 44])
# What you want, but only for simple sequences
# Note that no copy of *a* is made!! This is a view.
b = a[:5, :5]
# What you want, but probably confusing at first. (Also, makes a copy.)
# np.meshgrid and np.ix_ are basically equivalent to this.
b = a[n1[:,None], n2[None,:]]
使用1D序列进行花式索引基本上等同于将它们压缩在一起并使用结果进行索引。
print "Fancy Indexing:"
print a[n1, n2]
print "Manual indexing:"
for i, j in zip(n1, n2):
print a[i, j]
但是，如果您要编制索引的序列与您要编制索引的数组的维度相匹配（在本例中为2D），则会对索引进行不同的处理。 numpy使用像掩码这样的索引而不是＆＃34;将两者压缩在一起＆＃34 ;.
换句话说，a[[[1, 2, 3]], [[1],[2],[3]]]的处理方式与a[[1, 2, 3], [1, 2, 3]]完全不同，因为您传入的序列/数组是二维的。
In [4]: a[[[1, 2, 3]], [[1],[2],[3]]]
Out[4]:
array([[11, 21, 31],
[12, 22, 32],
[13, 23, 33]])
In [5]: a[[1, 2, 3], [1, 2, 3]]
Out[5]: array([11, 22, 33])
更准确一点，
a[[[1, 2, 3]], [[1],[2],[3]]]
的处理方式与：
完全相同i = [[1, 1, 1],
[2, 2, 2],
[3, 3, 3]])
j = [[1, 2, 3],
[1, 2, 3],
[1, 2, 3]]
a[i, j]
换句话说，输入是否为行/列向量是索引应如何在索引中重复的简写。
np.meshgrid和np.ix_只是将您的1D序列转换为2D版本进行索引的简单方法：
In [6]: np.ix_([1, 2, 3], [1, 2, 3])
Out[6]:
(array([[1],
[2],
[3]]), array([[1, 2, 3]]))
同样（sparse参数会使其与上面的ix_相同）：
In [7]: np.meshgrid([1, 2, 3], [1, 2, 3], indexing='ij')
Out[7]:
[array([[1, 1, 1],
[2, 2, 2],
[3, 3, 3]]),
array([[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])]
答案 1 :(得分：9)
构建所需索引的另一种快捷方法是使用np.ix_函数：
>>> a[np.ix_(n1, n2)]
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24],
[30, 31, 32, 33, 34],
[40, 41, 42, 43, 44]])
这提供了一种从索引序列构造开放网格的便捷方法。
答案 2 :(得分：6)
您可以使用np.meshgrid为n1，n2数组提供正确的形状来执行所需的索引：
In [104]: a[np.meshgrid(n1,n2, sparse=True, indexing='ij')]
Out[104]:
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24],
[30, 31, 32, 33, 34],
[40, 41, 42, 43, 44]])
或者，没有meshgrid：
In [117]: a[np.array(n1)[:,np.newaxis], np.array(n2)[np.newaxis,:]]
Out[117]:
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14],
[20, 21, 22, 23, 24],
[30, 31, 32, 33, 34],
[40, 41, 42, 43, 44]])
有一个类似的例子，解释了这个integer array indexing在文档中是如何工作的。
另见Cookbook食谱Picking out rows and columns。
答案 3 :(得分：0)
似乎您的特定问题的用例将处理图像处理。如果您使用示例编辑由图像引起的numpy数组，则可以使用Python Imaging Library（PIL）。
# Import Pillow:
from PIL import Image
# Load the original image:
img = Image.open("flowers.jpg")
# Crop the image
img2 = img.crop((0, 0, 5, 5))
img2对象是生成的裁剪图像的numpy数组。
您可以使用Pillow package（PIL包上的用户友好分叉）阅读有关图像处理的更多信息：
答案 4 :(得分：0)
我已经成功的一个很好的技巧（仅适用于懒人） 是过滤器+转置+过滤器。
a = np.arange(100).reshape(10,10)
subsetA = [1,3,5,7]
a[subsetA].T[subsetA]
array([[11, 31, 51, 71],
[13, 33, 53, 73],
[15, 35, 55, 75],
[17, 37, 57, 77]])